20220921-华宝证券-可转债型基金为例_如何有_信心_的选择基金_基于FCS方法的公募基金筛选_14页_1mb

公募基金筛选方法FCS分析总结

核心内容

本报告围绕基金置信组合（FCS）方法展开，旨在通过统计学方法筛选出具有可预测性、可持续性和高性价比的基金组合。报告以可转债型基金为研究对象，结合定量分析与模型构建，对FCS方法的原理、算法设计、风险因子选择及历史回测结果进行了系统分析。

主要观点

• FCS方法是一种基于置信度筛选基金的方法，通过成对比较和等价检验，逐步剔除表现较差的基金，最终形成一组在统计学上具有较高置信度的基金组合。
• 该方法克服了传统基金筛选的主观性、忽略市场系统性风险和缺乏明确筛选规则等弊端。
• 通过构建八因子模型（包含债券因子和股票因子），对基金的收益进行归因分析，判断其对市场风格、风险因子的暴露程度，以评估基金的绩效表现。
• FCS组合在市场下跌期间表现尤为突出，具备低风险、高收益的特征，同时具有更稳定的回报和更高的风险调整后收益。

关键信息

1. FCS方法原理

• 基于Grønborg等（2017）提出的模型置信集（MCS）方法，通过成对比较基金的风险调整后收益来筛选基金。
• 利用等价检验判断基金之间的绩效差异是否显著，若不显著则保留。
• 通过动态调整临界值，确保最终筛选出的基金组合在**置信水平为1 - λ（λ = 0.90）**下具有统计显著性。

2. 风险因子选择

• 债券因子包括：

  • 久期因子：衡量利率变动对组合的影响，是债券基金主要暴露因子。
  • 期限结构因子：反映不同期限利率变化对组合的影响，暴露度集中且波动较小。
  • 信用利差因子：反映信用风险对基金收益的影响，暴露度差异较大，体现基金经理在信用下沉策略上的不同。
  • 评级利差因子：补充信用利差因子，衡量不同信用等级债券之间的利差变化。
  • 可转债因子：反映基金对可转债的配置，具有一定的权益属性。

• 股票因子包括：

  • 市场因子（MKT）：衡量整体市场趋势对基金收益的影响。
  • 规模因子（SMB）：反映基金对小盘股和大盘股的配置差异。
  • 价值因子（HML）：衡量基金对高价值和低价值股票的配置差异。
  • 动量因子（MOM）：衡量基金对高动量和低动量股票的配置差异。

• 因子相关性分析显示，可转债因子与市场因子相关性较高，且在2017年1月1日至2022年7月31日期间，相关系数为0.84，说明可转债市场与股票市场存在显著关联。

3. 回测设计与结果

• 样本池：选取2017年一季度至2022年二季度的可转债基金数据，构建样本池，每个季末更新基金的资产配置情况。
• 组合构建：以等权组合方式构建FCS组合，并与狭义基准组合（两年以上业绩的可转债基金）和广义基准组合（样本池内所有广义可转债基金）进行比较。
• 回测结果：
  • FCS组合累计收益始终高于基准组合，且在非极端市场中表现出稳步上升的趋势。
  • 在2022年1-4月市场大幅下跌期间，FCS组合展现出明显超额收益。
  • 风险指标：FCS组合的最大回撤低于基准组合，Sharpe比率和Calmar比率均高于基准组合，说明其风险调整后收益更优。
  • 即使考虑交易费用，FCS组合仍表现良好，说明其具备较高的性价比。

4. 结论

• FCS方法通过系统性筛选和统计学置信度控制，能够在众多基金中选出业绩稳定、可预测性高的基金组合。
• 在市场下跌时，FCS方法优势尤为明显，实现了低风险高收益的目标。
• 通过风险因子暴露分析，可以识别基金在不同市场风格下的表现差异，有助于进一步优化基金配置策略。
• FCS方法不仅适用于可转债型基金，也可作为其他类型基金筛选的参考模型。

5. 风险提示

• 所有分析基于历史回测，实际表现可能与历史数据存在差异。
• 投资需谨慎，市场存在系统性风险和非系统性风险。
• 本报告不构成投资建议，仅用于研究分析，不承诺收益，不提供投资保证。

6. 数据与方法

• 数据来源：华宝证券研究创新部、Wind数据库。
• 方法论：基于八因子模型进行基金收益归因分析，使用等价检验与自举法进行统计推断，确保筛选过程的科学性和稳健性。

7. 补充说明

• 本报告为《如何刻画可转债基金的持仓和操作特征？-可转债型基金专题报告》的有效补充，进一步探讨了基于绩效的基金筛选方法。
• FCS方法的实施依赖于风险因子的准确度和基金历史数据的完整性，因此在实际应用中需注意数据质量与时间跨度。